申请/专利权人：山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院)

申请日：2023-03-14

公开（公告）日：2023-05-23

公开（公告）号：CN115953303B

主分类号：G06T3/40

分类号：G06T3/40;G06V10/77;G06V10/774;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2023.05.23#授权;2023.04.28#实质审查的生效;2023.04.11#公开

摘要：本发明属于图像处理相关技术领域，本发明提出了结合通道注意力的多尺度图像压缩感知重构方法及系统，包括：将原始图像转换为灰度图像，对灰度图像进行多尺度分块采样得到采样值，对所述采样值通过第一通道注意力模块计算输出特征的多通道融合矩阵，将所述多通道融合矩阵与采样值运算处理得到初始重建图像；将初始重建图像经过特征提取后依次经过第二通道注意力模块、多尺寸残差模型进行特征的多尺度融合，得到深度重建图像；将所述初始重建图像和深度重建图像进行结合，得到重构图像。通过图像初始重建和深度重建，在提取深度特征的同时也考虑了浅层特征对重构的影响，使得重构效果好。

主权项：1.结合通道注意力的多尺度图像压缩感知重构方法，其特征在于，包括：将原始图像转换为灰度图像，对灰度图像进行多尺度分块采样得到采样值，对所述采样值通过第一通道注意力模块计算输出特征的多通道融合矩阵，将所述多通道融合矩阵与采样值运算处理得到初始重建图像；将初始重建图像经过特征提取后依次经过第二通道注意力模块、多尺寸残差模型进行特征的多尺度融合，得到深度重建图像；其中，所述第一通道注意力模块与所述第二通道注意力模块相同；将所述初始重建图像和深度重建图像进行结合，得到重构图像；其中，对所述采样值通过第一通道注意力模块计算输出特征的多通道融合矩阵，具体为：根据图像的行、列被划分的数量将所述采样值整形为第一整形矩阵、第二整形矩阵和第三整形矩阵，其中，第二整形矩阵为第一整形矩阵的转置，所述第一整形矩阵、第三整形矩阵的通道维度相同；将第二整形矩阵与第一整形矩阵相乘后输入至归一化层，得到通道注意力矩阵；将通道注意力矩阵与所述第三整形矩阵相乘，将相乘后的矩阵整形为与所述采样值相同的通道维度，并与所述采样值逐元素求和得到第一通道注意力模块最终的输出结果；将所得到的第一通道注意力模块最终的输出结果经过卷积层完成上采样操作，对上采样结果进行整形、拼接得到初始重建图像；所述多尺寸残差模型包括8个依次连接的多尺度残差块，所述多尺度残差块由多尺度特征融合和局部残差学习构成；所述多尺度特征融合包括5个旁路，以及与5个旁路的输出依次连接的连接层和1×1卷积层，其中三个旁路分别为3×3卷积层、5×5卷积层、7×7卷积层，用于提取浅层图像特征；另外两个旁路分别为3×3卷积层、5×5卷积层，以及两个旁路的3×3卷积层、5×5卷积层还分别与并列的3×3卷积层、5×5卷积层进行连接，用于提取深层图像特征；所述局部残差学习为：，其中，代表的上一层的输出，为所在多尺度残差块所连接的上一层结构的输出，为所在多尺度残差块的输出，代表5个旁路的输出所依次连接的连接层、1×1卷积层的输出结果。

全文数据：

权利要求：

百度查询： 山东省计算中心(国家超级计算济南中心);齐鲁工业大学(山东省科学院) 结合通道注意力的多尺度图像压缩感知重构方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD